宇宙模拟的随机超分辨率与降噪扩散模型

MMOct, 2023

宇宙模拟的随机超分辨率与降噪扩散模型

Stochastic Super-resolution of Cosmological Simulations with Denoising Diffusion Models

Andreas Schanz, Florian List, Oliver Hahn

TL;DR近年来，深度学习模型成功应用于增强低分辨率宇宙学模拟的小尺度信息，称为 “超分辨”。我们引入去噪扩散模型作为一种强大的生成模型，用于超分辨宇宙大尺度结构预测（首次在二维中作为概念验证）。通过开发一种新的 “滤波增强” 训练方法，重分配了像素级训练目标中不同尺度的重要性，以获得准确的小尺度结果。我们证明了我们的模型不仅能够产生令人信服的超分辨图像和功率谱，保持百分位水平的一致性，还能够重现与给定低分辨率模拟一致的小尺度特征的多样性，这对于这种超分辨模型作为宇宙结构形成的替代模型的有效性来说至关重要。

Abstract

In recent years, deep learning models have been successfully employed for augmenting low-resolution cosmological simulations with small-scale information, a task known as "super-resolution". So far, these cosmolo

deep learning models super-resolution generative adversarial networks denoising diffusion models cosmic structure formation

发现论文，激发创造

扩散模型实现逼真噪声合成

该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

May, 2023

用去噪漂移 GAN 解决生成学习三难问题

本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

Dec, 2021

利用生成对抗网络进行随机超分辨率，在时间演化大气场上进行下采样

介绍了一种基于生成对抗网络的重复随机超分辨率 GAN，该 GAN 可以应用于低分辨率气象数据，生成时间演化的高分辨率气象数据。

May, 2020

细节保留图像去噪的重建生成扩散模型

提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。

Sep, 2023

潜在空间中的领域转移（DTLS）能在图像超分辨率中取得胜利 - 一种非降噪模型

本文提出了一种简单的方法来进行高效图像超分辨率，该方法采用了扩散模型的基本结构，通过建立领域之间的转移关系，学习统计特性的差异以促进逐步插值，并通过参考输入的 LR 图像对转移领域进行条件控制，实验结果表明，该方法不仅优于最先进的大规模超分辨率模型，也优于当前的扩散模型，此方法可以方便地扩展到其他图像到图像的任务，如图像增强、修复、去噪等。

Nov, 2023

提高内容一致超分辨率扩散模型的稳定性

通过采用扩散模型来改善图像结构以及利用生成对抗训练来增强图像细节，我们提出了一种名为内容一致超分辨率（CCSR）的方法，大大减少了基于扩散先验的超分辨率的随机性，提高了超分辨率输出的内容一致性并加速了图像生成过程。

Dec, 2023

基于评分的生成模型实现逼真星系图像模拟

利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

Nov, 2021

气候的生成性扩散降尺度

通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的 U-Net，在精细尺度上，扩散式方法具有更高的准确性，如频谱分解所示。此外，生成式方法还为用户提供了可用于风险评估的概率分布。该研究突出了扩散式下降尺度技术在提供可靠和详细的气候预测方面的潜力。

Apr, 2024

去噪扩散概率模型

本文使用受非平衡热力学考虑的潜变量模型 —— 扩散概率模型，提出了高质量的图像合成结果。通过根据扩散概率模型和 Langevin 动力学的去噪得分匹配之间的新颖联系设计加权变分界限进行训练，获得了最佳结果；此外，我们的模型自然地采用渐进式有损解压缩方案，可以解释为自回归解码的一般化。在无条件的 CIFAR10 数据集上，我们获得了 9.46 的 Inception 得分和 3.17 的最先进的 FID 得分。在 256x256 LSUN 上，我们获得了与 ProgressiveGAN 相似的样本质量。

Jun, 2020

动态双输出扩散模型

在这篇文章中，我们发现了扩散模型生成质量受到迭代次数限制的根本原因，并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型，并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究，证明能够立即提高它们的生成质量。

Mar, 2022